• Prof. Dr. Anreas Kassler andreas.kassler@th-deg.de

• Brisch, Fabian fabian.brisch@th-deg.de
• Khalid Ali khalid.ali@th-deg.de
• Özgür Kaynak oezguer.kaynak@th-deg.de

• Mohsen Meamarian (Karlstads Universitet)  mohsen.meamarian@kau.se  Dataplane Programierung
• Hamza Chahed (Karlstads Universitet and Intel Munich) Hamza.Chahed@kau.se TimeSensitive Networking
• Phil Aupke (Karlstads Universitet) Phil.Aupke@kau.se Smart Grid Forecasting
• Amal Nammouchi (Karlstads Universitet) Amal.Nammouchi@kau.se Smart Grid Robust Control
• Rubens Figueiredo (Karlstads Universitet, Industriedoktorand mit B-ISDN GmbH) rubens.figueiredo@kau.se Virtual Network Function Acceleration for Broadband Network Gateways

• Florian Aigner florian.aigner@th-deg.de
• Julian Graf Julian.graf@th-deg.de

• Aryian Roshany Tabrizi ariyan.roshany-tabrizi@stud.th-deg.de (Smart Grid Control)

• Elsevier Computer Networks Journal (Impact Factor 5.6), Area Editor seit 08/2017
• Network (ISSN 2673-8732), MDPI, Editorial Board, seitMarch 2021

• ICCCN 2024, Track Chair für Track 1 Infrastruktur, Big Island, Hawaii, 29.-31. Juli 2024. http://www.icccn.org
• RNDM - Internationaler Workshop für das Design und die Modellierung von widerstandsfähigen Netzwerken, Hamburg, Deutschland, 20.-22. September 2023. http://www.rndm.pl/2023/
• Track Chair für Track 10 – Network Softwarization and Virtualization bei CCNC 2022 https://ccnc2022.ieee-ccnc.org/index.html
• Track Chair für Track 10 – Network Softwarization and Virtualization bei CCNC 2021 (virtuelle Konferenz) https://ccnc2021.ieee-ccnc.org/index.html
• Internationale Konferenz für kabelgebundene/drahtlose Internetkommunikation (WWIC) 2019, Bologna, Italien, Juni 2019 (Mit-Chair) http://wwic2019.nws.cs.unibo.it
• TPC Area Chair (Networking Architectures and Paradigms) für ITC 30, 11.-14. Sep 2018 in Wien, Österreich, https://archive.itc-conference.org/itc30/

• A Performance Modelling Approach for SLA-Aware Resource Recommendation in Cloud Native Network Functions, verfasst von Michel Gokan Khan, Javid Taheri, Mohammad Ali Khoshkholghi, Andreas Kassler, Carolyn Cartwright, Marian Darula, Shuiguang Deng, erschienen in: NetSoft 2020, 29. Juni bis 3. Juli 2020, Virtuelle Konferenz. Erhielt die Auszeichnung für das beste Studentenpapier.
• FlowDyn: Towards a Dynamic Flowlet Gap Detection using Programmable Data Planes, verfasst von Cristian Hernandez Bennet, Andreas Kassler, in IEEE CloudNet 2019, 4.-6. November 2019, Coimbra, Portugal. Erhielt die Auszeichnung für das beste Paper.
• Automated Analysis and Profiling of Virtual Network Functions: the NFV-Inspector Approach, verfasst von Michel Gokan Khan, Javid Taheri, Andreas Kassler, Marian Darula, (Best Demo Award) in: IEEE Conference on Network Function Virtualization and Software Defined Networks, 27.-29. November 2018, Verona, Italien.
• A SDN Controller Architecture for Small Cell Wireless Backhaul using a LTE Control Channel, verfasst von Ricardo Santos, Andreas Kassler, in: IEEE WoWMoM 2016, 21. bis 24. Juni 2016, Coimbra, Portugal. Erhielt die Auszeichnung für das beste Studentenpapier.
• QoS Management for WiFi MAC layer processing in the Cloud - Demo Description, verfasst von Jonathan Vestin, Andreas Kassler, in ACM MSWIM/Q2SWINET 2015, Cancun, Mexiko, 2. bis 5. November 2015. Erhielt die Auszeichnung für das beste Poster/Demo.
• CloudMAC – Towards Software Defined WLANs, verfasst von Jonathan Vestin, Peter Dely, Andreas Kassler, Nico Bayer, Hans Einsiedler, Christoph Peylo, in: Proceedings of MobiCom’12: Die 18. Jährliche Internationale Konferenz für mobile Computer und Netzwerke, Istanbul, August 2012. Gewann den 1. Preis im ACM Mobicom Student Research Competition, unter 10 Teilnehmern!

• 2006 Karlstads Universität, Docent (similar to Habilitation) in Computer Science
• 10/98-03/02 Universität of Ulm, PhD in Computer Science
• 11/89-10/95 Universität of Augsburg, Diplommathematik/Informatik

• Seit 03/2023: Professor in Angewandter Informatik an der Technischen Hochschule in Deggendorf 
• Seit 06/2007: Professor in Computer Science, Karlstad University, Sweden
• 01/2005 – 06/2007: Lecturer  in Computer Science, Karlstad University, Sweden
• 09/2003 – 12/2004: Assistant Professor in Computer Science, Nanyang Technological University, Singapore
• 09/1995 – 08/2003: Wissenschaftlicher Mitarbeiter am Institut für verteilte Systeme, University of Ulm

Auszug von Google Scholar

• Vorlesung Internettechnologien  (4 SWS) Bachelor AI
• Vorlesung Internettechnologien  (4 SWS) Bachelor Bioinformatik
• Vorlesung Datacenter Network, Programierung (FWP) (4 SWS) Masterlevel

• Mobile and wireless Networks (4 SWS) 
• Betriebssysteme und Netze (4 SWS) Bachelor Künstliche Intelliente Netze
• Forschungsmethodologie & Statistik (4 SWS)

• Im Rahmen einer engen Partnerschaft zwischen der Karlstad University und der Deutschen Telekom
•  Anspruchsvolle akademische Herausforderungen mit hoher Relevanz für die Industrie
• Bestausgestattete Labore und Testumgebungen verfügbar
• Mögliche Besuche oder Durchführung in Deutschland möglich

Wähle aus 2 Hauptfokusbereichen und lass uns daraus Themen gemeinsam definieren

5G ATSSS multipath communication

Multipath-Kommunikation basierend auf 5G ATSSS ermöglicht dem Kunden die gleichzeitige Nutzung von Wi-Fi und mobilfunkgestütztem Zugang über ein Mobiltelefon. Im Vergleich zur traditionellen Einzelzugangsnutzung sind eine erhöhte Zuverlässigkeit und Durchsatzrate vorgesehen. Diese Multipath-Konzepte bieten zahlreiche Möglichkeiten für neue verkehrstechnische Ansätze und setzen auf Multipath-Netzwerkprotokolle wie MPTCP. Obwohl dies auf Konzeptebene klare Vorteile bietet, bleiben bei der Implementierung offene Fragen.

• Wie kann eine konsistente Multipath-Leistung über heutige und erwartete Verkehrsmischungen hinweg sichergestellt werden?
• Welche Metriken für die Verteilung von Multipath-Verkehr sowie Wiedervereinigungsstrategien sind erforderlich?

Fähigkeiten die du mitbringen solltest: 

• Verständnis von Multipath-Konzepten und Netzwerkprotokollen (MPTCP, MP-DCCP, MP-QUIC)
• Linux Kernel Hacking / Programmiersprache C
• Netzwerkverkehrsanalyse

Literatur:

• 5G ATSSS [1, 2],
• Nicht-TCP-Multipath-Unterstützung [3],
• MPTCP [4],
• MP-DCCP [5, 6],
• MP-QUIC [7]

Open 5GS testbed for 5G feature exploration

5G ATSSS Multipath-Kommunikation 5G Core Wi-FiCellular Merkmale, die mit der ersten 5G 3GPP-Veröffentlichung 15 eingeführt wurden und mit der bevorstehenden Veröffentlichung 16 erwartet werden, bieten mobilen Netzwerkbetreibern neue, noch nicht vollständig erforschte Möglichkeiten. Technologien wie Network Slicing und Multipath-Kommunikation (5G ATSSS) werden hier nur als Beispiel genannt.

Um praktische Erfahrungen zu sammeln, sollen solche neuen Funktionen in einem offenen 5G-Systemtestbett unter verschiedenen Bedingungen untersucht werden, z. B. basierend auf free5GC oder OpenAirInterface. Ein solches Testbett muss noch implementiert und fehlende Funktionen müssen implementiert werden. Analyse und Bewertung sind ein wesentlicher Teil, um Einblicke in die jeweilige Funktion zu gewinnen und ihren Wert zu schätzen. Darüber hinaus können neue Ideen bewertet werden, die später in Standards eingebracht werden können.

Fähigkeiten die du mitbringen solltest: 

• Verständnis des 5G-Systems + 3GPP-Dokumente
• 5G-Kontrollfläche (Service-basierte Architektur, Protokolle, Richtlinien)
• Linux-basierte Implementierung und Betrieb

Literatur:

• free5GC [1],
• OpenAirInterface [2],
• 5G System [3],
• 5G Policy Framework [4] 2 

Die Prognose der Stromerzeugung aus erneuerbaren Energien wie Solarmodulen ist wichtig für das intelligente Netzmanagement. Zusammen mit einer guten Prognosequalität ist eine präzise Charakterisierung des Prognosefehlers erforderlich. Jedoch sollte ein solcher Prognosealgorithmus in ein Energiemanagementsystem integriert werden, um nützlich für die Steuerung zu sein, wo die Energie verwendet wird (z. B. ob die Batterie aufgeladen wird oder der Strom an andere Mitglieder oder das intelligente Netz verkauft wird, usw.).

In dieser Arbeit machen Sie sich mit der IoT-Plattform ThingsBoard vertraut und integrieren einen Prognosealgorithmus für die Solarstromerzeugung in diese Plattform unter Verwendung von Apache Kafka als Zwischen-Publish/Subscribe-Framework. Im Detail umfasst die Arbeit:

• Anpassung eines vorhandenen Prognosealgorithmus und/oder Entwicklung eines neuen unter Verwendung z. B. von Zeitreihen-Clustering und Random Forest oder LSTM für die Vorhersage
• Integration der ThingsBoard-Plattform mit einer verteilten/Publish-Subscribe-Plattform, Apache Kafka
• Implementierung eines Kafka-Consumers, der die Wettermerkmale und Strommesswerte liest und den ML-Algorithmus mit dem Faust-Stream-Verarbeitungsframework aufruft
• Implementierung eines Kafka-Producers (unter Verwendung des Faust-Stream-Frameworks), der die Prognose erstellt, den Prognosefehler analysiert und Prognose- und Fehlermetriken zurück in die IoT-Plattform ThingsBoard einspeist
• Implementierung einer Visualisierung des Prognosefehlers in der IoT-Plattform ThingsBoard
• Falls die Zeit es zulässt, Entwicklung einer neuen Prognosemethode, die ein physikalisches Modell der Solarstromerzeugung mit maschinellem Lernen basierter Zeitreihenvorhersage kombiniert

Ausgezeichnete Programmierkenntnisse in Python sind erforderlich

Time Critical Networks AB (TCN) entwickelt TCN TimeAnalysis™ für die digitale Modellierung und Simulation von vorrangig elektrischen Architekturen und Netzwerken in der Automobilindustrie, die Time-Sensitive Networking (TSN) integrieren, die neuen IEEE-Standards zur Herstellung von traditionellen Ethernet-Netzwerken, die zeitkritische Datenströme betreffen, deterministischer und robuster machen.

Zielgruppen des Tools sind beispielsweise in der Automobilindustrie zu finden, die die Software für die Gestaltung der zukünftigen Kommunikationssysteme für autonomes Fahren innerhalb und außerhalb des Fahrzeugs (V2V/V2X) verwenden.

Hintergrund

TSN-Netzwerke sind Ethernet-Netzwerke, die QoS-Garantien für hochkritischen Verkehr in Bezug auf Latenz, Jitter und Bandbreite bieten. Um dies zu erreichen, muss die Konfiguration der TSN-Elemente (Switches und Endpunkte) optimiert und ordnungsgemäß getestet werden.

Vorgeschlagene Arbeit

In diesem Projekt besteht das Ziel darin, die Konfiguration der TSN-Netzwerkelemente mithilfe des Simulationstools von TCN zu automatisieren. Dies umfasst die Bereitstellung von Zeitplanalgorithmen zur Ableitung der Konfiguration, das Testen der abgeleiteten Konfiguration im Simulator, das Überprüfen der Ergebnisse und das Übertragen der Konfiguration auf die Netzwerkelemente.

Technische Details

Speziell haben wir eine CNC-Einheit entwickelt (ein auf SDN basierender Controller für TSN-Netzwerke), die den TSN-fähigen Switch in unserem Testbett mithilfe des Netconf/Yang-Protokolls konfigurieren kann. Die Konfiguration wird durch einen externen Netzwerkoptimierer außerhalb der CNC unter Verwendung einer Netzwerkoptimierungsschnittstelle abgeleitet. Wir haben auch Zugriff auf den Simulator-Motor von TCN, den wir verwenden, um das Netzwerk unter der optimierten Konfiguration zu simulieren, um eine Vorstellung von der erwarteten Leistung zu bekommen. Die Aufgabe der Thesis besteht darin, die drei Teile (CNC, TCNs Simulator und Netzwerkoptimierer) durch die Definition und Implementierung der Schnittstelle zwischen ihnen zu integrieren sowie den Workflow für die Automatisierung der Optimierung - Simulation - Bereitstellung zu gestalten. Die Aufgabe umfasst auch die Bereitstellung des Optimierers und seiner Schnittstelle zur CNC auf die bestmögliche Weise, um den oben genannten Workflow durchzuführen.

Hinweis

Die Entwicklung des Optimierungsalgorithmus ist nicht Teil des Projekts, da sie Ihnen bereitgestellt wird.

Externer Partner: Time Critical Networks AB

Die Integration von erneuerbaren Energiequellen (RE) in Stromnetze und Fortschritte in der Informations- und Kommunikationstechnologie, wie Cloud- und Edge-Computing, haben erhebliches Potenzial für die Entwicklung intelligenter Energienetze, in denen ein Kunde Produktions-, Verbrauchs- und Speicherfähigkeiten hat, was zum Konzept des Prosumers führt. Die Variabilität der RE-Produktion verleiht dem Prosumer eine aktive Rolle bei der Betriebsführung des intelligenten Netzwerks und trägt zur CO2-Reduzierung für flexible und nachhaltige Energiesysteme bei. Daher ist eine Koordination für Energieproduktion und -management zwischen verteilten Prosumern wesentlich, um das Potenzial des groß angelegten Handels mit erneuerbaren Energien zu nutzen.

In dieser Arbeit vertiefen Sie Ihr Verständnis für KI-gestützte intelligente Netzwerke und die weiteren Anforderungen für die Integration von Edge/Cloud über die ursprüngliche Architektur des intelligenten Netzwerks hinaus. Dies ermöglicht es Ihnen, Forschung und Innovation bereitzustellen, wie die Entwicklung umfassender KI- und ML-Algorithmen, die die Optimierung von verteilten Energiemanagementplänen erleichtern, die durch die Integration von Cloud/Edge ermöglicht wird, die Entwicklung von Erweiterungen und Updates für Cloud/Edge von Plattformen für virtuelle Kraftwerke, um sie mit ML-Algorithmen zu integrieren. Die Ergebnisse werden zu mehr Flexibilität und Robustheit der verteilten RE-Produktion und des Handels führen, was zentral für die Entwicklung des Konzepts des intelligenten Netzwerks hin zu KI-gestützten zukünftigen Energiesystemen ist. Im Hinblick auf die Robustheit ist es wichtig, Methoden zu entwickeln, die eine bessere Vorhersage von Angebot und Nachfrage von RE sowie Quantifizierungen von RE-Unsicherheiten ermöglichen. In diesem Zusammenhang verfügt der Partner Glava über Solarpaneele und Windparks mit dazugehörigen Wetterstationen, wo Daten der letzten 5 Jahre verfügbar sind. Darüber hinaus ist es möglich, sich in Echtzeit mit relevanten Daten zu verbinden. Das Hauptziel dieser Arbeit ist es, neue Methoden auf der Grundlage von maschinellem Lernen zu entwickeln, um die Variabilität und Unsicherheit der RE-Produktion und/oder -Versorgung besser zu quantifizieren. Alternativ kann sich der Student auf die Integration von Methoden des maschinellen Lernens zur Vorhersage von Angebot und Nachfrage von RE in die IoT-Plattform Thingsboard für die SmartGrid-Anwendungsfälle konzentrieren.

Externer Partner: Glava Energy Center

Mit der Entwicklung von Mobilfunknetzen in Richtung 5G sind wir in der Lage, Dienste anzubieten, die geringe Latenzzeiten, hohe Datenraten und eine massive Konnektivität erfordern. In diesem Kontext ist die Bewusstseinsbildung für den Standort von Benutzern/Geräten eine wesentliche Funktion, insbesondere für Anwendungen im Internet der Dinge (IoT), und wird daher als integraler Bestandteil der Gestaltung von 5G- und darüber hinausgehenden Systemen betrachtet.

Global Navigation Satellite Systems (GNSS) sind in einigen Fällen möglicherweise nicht geeignet aufgrund des zusätzlichen Energieverbrauchs und der Kosten, die für die Unterstützung von GNSS-Chips erforderlich sind. Daher sind Alternativen erforderlich, die eine zuverlässige Positionsbestimmung über mobile zelluläre Technologien ermöglichen, z. B. 4G Long Term Evolution (LTE), 5G New Radio (NR) und Narrowband IoT (NB-IoT), wie sie durch aktuelle Untersuchungen in der Forschungsgemeinschaft hervorgehoben werden.

Diese Thesis wird sich auf die Entwicklung und Prüfung von Positionierungstechniken in Multi-Technologie-Szenarien konzentrieren und die Anwendung von verbesserten maschinellen und tiefen Lerntechniken auf empirische Messungen [1][2] nutzen.

Literatur: 

[1] K. Kousias, et al., “A Large-Scale Dataset of 4G, NB-IoT, and 5G Non-Standalone Network
Measurements,” 2022. [Online]. Available: https://dx.doi.org/10.21227/7a8s-nt68. (DATASET)
[2] L. De Nardis, et al., “Positioning by Fingerprinting with Multiple Cells in NB-IoT Networks,” in
Proceedings of International Conference on Localization and GNSS. IEEE, 2022, pp. 01– 07

Mit der Entwicklung von Mobilfunknetzen in Richtung 5G sind wir in der Lage, Dienste anzubieten, die geringe Latenzzeiten, hohe Datenraten und eine massive Konnektivität erfordern. In diesem Zusammenhang ist es entscheidend für das Traffic Management und die Netzwerkoptimierung, die Leistung, die von Endbenutzern erlebt wird (z. B. in Bezug auf Latenz, Durchsatz und Verbindungsstabilität), zuverlässig vorhersagen zu können.

Aktuelle Studien zu kommerziellen Netzwerken zeigen, dass die Leistung von 5G im Laufe der Zeit und von einem Ort zum anderen stark schwanken kann, aufgrund der komplexen Wechselwirkungen zwischen Systemprotokollen und Netzwerkbedingungen. Daher sind weitere Untersuchungen erforderlich, um Lösungen zur zuverlässigen Vorhersage einer solchen Leistung bereitzustellen.

Diese Thesis wird sich auf die Entwicklung und Prüfung von Techniken zur zuverlässigen Vorhersage der Netzwerkleistung konzentrieren und dabei die Anwendung von verbesserten maschinellen und tiefen Lerntechniken auf empirische Messungen nutzen [1][3].

Literatur: 

[1] K. Kousias, et al., “A Large-Scale Dataset of 4G, NB-IoT, and 5G Non-Standalone Network
Measurements,” 2022. [Online]. Available: https://dx.doi.org/10.21227/7a8s-nt68. (DATASET)

[3] K. Kousias, et al., “Coverage and Performance Analysis of 5G Non-Standalone Deployments,” in
Proceedings of the ACM MobiCom Workshop on Wireless Network Testbeds, Experimental
Evaluation and Characterization, 2022, pp. 61–68.

Die technischen Details von (anbieterspezifischen) RAN-Implementierungen sind komplex. Obwohl allgemeine Funktionen und Schnittstellen von der 3GPP definiert sind, bleiben die Details proprietär. Das RAN wird typischerweise für optimierte Abdeckung, Handovers, Qualität usw. über technische Richtlinien konfiguriert, die spezifisch für jeden RAN-Anbieter sind (und spezifisch für andere Kriterien: Bereich, städtische Situation, Frequenzschicht, Mobilität...).

Um die Generierung von Richtlinien zu automatisieren, muss ein ML-Modell darauf trainiert werden, die Details des RAN-Anbieters zu verstehen (Datenmodelle, Parameter, Abhängigkeiten usw.). Basierend auf dem Ziel (Intention: gewünschtes Ziel) als Texteingabe verwendet ein "Intent Interpreter" das trainierte Modell und schlägt mögliche Richtlinienansätze vor (oder fordert Klärungen an). Durch iterative und interaktive "ChatGPT-ähnliche" Verfeinerungen wird gültiger deklarativer Richtliniencode generiert (eine Art "verbesserter Programm-Co-Pilot").

Richtlinien können von Menschen validiert werden und müssen gültige RAN-gNB-/Zellkonfigurationen (Artefakte) generieren. Es ist noch zu klären, ob auch im Rahmen der Arbeit: Simulation von RAN-Konfigurationsänderungen und Closed-Loop-basierte Richtlinienoptimierungen enthalten sind. Nicht im Rahmen: Konfliktlösung bei Richtlinien (ein separates Thema für sich...?); komplexe Richtlinien über RAN hinaus; Nicht-technische Richtlinien; Historische Daten; Messungen; Netzwerktopologie.

Ziel:

Übersetzung der technischen Intention (einer spezifischen Anpassung) in deklarative Richtlinien (menschliche Texteingabe -> verständlicher transparenter Code/Ausdruck).

Externer Partner: Deutsche Telekom

Die Konfiguration von Time-Sensitive Networks (TSN) ist aufgrund der vielen verfügbaren Parameter und Optionen kompliziert. Ein wichtiger Aspekt ist die ordnungsgemäße Konfiguration von Netzwerkkarten und Netzwerkstapeln der Endgeräte, um die Echtzeit-Paketverarbeitung innerhalb des Netzwerks und der Endgeräte abzustimmen. In diese Richtung gab es erste Bemühungen von Intel und der OpenSource-Community, das Konfigurationsframework "detd" zu entwickeln, das mehrere Komponenten des Linux-Netzwerkstapels ordnungsgemäß konfiguriert, einschließlich der optionalen Hardware-Offloading-Funktionen für verschiedene Ethernet-Karten. In dieser Thesis erweitern Sie die Konfigurations-Toolchain, indem Sie Unterstützung für AF_XDP-Streams hinzufügen, was erfordert, tiefer in den 802.1Qcc-Standard, den Linux-Kernel-Netzwerkstapel und insbesondere XDP sowie Taprio im Hardware-Modus einzutauchen. Als letzten Schritt fügen Sie Unterstützung für Docker und Kubernetes (optional) hinzu, um TSN-Funktionen für Cloud-native Datenwege zu aktivieren. Das Projekt wird mit einem Leistungsvergleich abgeschlossen.

Anforderungen:

• Exzellente Programmierkenntnisse in Python und C
• Bereitschaft zur Arbeit mit dem Linux-Kernel, Docker-Containern, Cloud-native Dataplane (optional) und den neuesten TSN-Standards

Externer Partner: Intel Munich Labs

Der Betrieb intelligenter Energienetze umfasst traditionell eine Vielzahl komplexer Entscheidungsprobleme. In den letzten Jahrzehnten haben Smart Grids erheblich von Fortschritten in der Berechnung profitiert, die den Übergang von der manuellen Verarbeitung zur Automatisierung ermöglichten. Dennoch müssen verschiedene Interessengruppen im Smart Grid nach wie vor erhebliche Anstrengungen unternehmen, um die Optimierungsergebnisse zu erklären und zu interpretieren. In dieser Arbeit werden aktuelle Fortschritte bei Large Language Models (LLMs) in die Optimierung von Smart Grids und die menschliche Erfassung und Vertrauensbildung integriert.

Erforderliche Kenntnisse:

• Python-Programmierung
• Kenntnisse in der Lösung von Optimierungsproblemen (z. B. Gurobi)

Time-Sensitive Networking (TSN) ist eine Gruppe von Ethernet-Standarderweiterungen, die die Bereitstellung von Echtzeitgarantien für Ethernet-Frames ermöglichen. In modernen Industrie-4.0-Umgebungen werden Endgeräte über TSN mit Sensoren und Aktoren verbunden, um softwarebasierte Echtzeitregelschleifen zu ermöglichen. Es ist jedoch unklar, welche Konfigurationen von Linux-Endpunkten welche Echtzeitgarantien bieten. In dieser Masterarbeit sollen die Auswirkungen unterschiedlicher Konfigurationsentscheidungen von Anwendungen, dem Linux-Betriebssystem und dem Netzwerkstack auf die Echtzeitleistung von Ethernet-Verkehr erforscht werden. Dabei wird ein bestehendes TSN-Testbed verwendet und Skripte sowie Testanwendungen implementiert, um den Einfluss verschiedener Parameter und Hardwarekonfigurationen auf Latenz und Jitter zu bewerten.

Externer Partner: Intel München

• ICC 2024 in Denver

Die ICC 2024 ist eine der wichtigsten Konferenzen über Kommunikationsnetzwerke. Workshops und Vorträge die sich rund um die Themen der Forschung  und der Verbesserung der Leistung umweltfreundlicher Netzwerke beschäftigen. Prof. Dr. Kassler stellt dort seinen Forschungsarbeit, einen digitalen Ansatz, zur optimalen Verteilung und Platzierung von Ressourcen für cloudbasierte Service-Netzwerke vor. 

• Wir begrüßen unseren neuen Laboringeniuer Julian Graf

• Wir sind Mitglied bei der one6G Association! Mehr Infos: https://one6g.org

• 11. -14.03.24 ICIN 2024 Congress in Paris - Professor Kassler nimmt teil
• Unser Forschungsteam wächst! Wir freuen uns, dass Khalid Ali und Özgur Ozan nun zum Forschungsteam gehören.

• Unsere beiden schwedischen Doktoranten Phil Aupke und Amal Nammouchi forschen für einen Monat bei uns an der TH DEG

• Professor Kassler nimmt am RNDM international Workshop on Resilient Networks Design and Modeling teil